混合兔群-遗传优化算法驱动的深度特征选择，实现高效橄榄叶病害检测

本文综述提出了一种基于混合元启发式优化的特征选择方法，用于精准检测橄榄叶上的孔雀眼病。该方法巧妙结合人工兔群优化（ARO）的全局探索与遗传算法（GA）的局部利用优势，在ResNet101提取的高维特征中进行搜索，在保持卓越分类性能（F1-score 99.7%）的同时，实现了95%的极端特征维度约减。这为在计算资源受限的农业边缘设备上部署高效、鲁棒的智能病害检测模型提供了创新性解决方案。

　　

3. 研究方法与材料

3.1. 数据集

研究使用的数据集包含954张橄榄叶图像样本，采集自土耳其巴勒克埃西尔省班德尔马地区的埃丁奇克。样本被分为两类：572张健康叶片和382张受孔雀眼病（Venturia oleaginea）侵染的叶片。图像采集在受控光照条件下进行，每张图片均为置于白色背景上的单张叶片，确保了尺度、光照和焦距的一致性。

3.2. 预处理流程

预处理流程旨在分离叶片与背景，包括三个主要步骤：1) RGB到RGBA转换，引入透明通道；2) 基于颜色的图像分割，通过RGB阈值（所有通道>100识别白色区域，或蓝色>100且红绿通道<100识别偏蓝背景）移除背景像素；3) 使用5×5核进行形态学闭运算，以填充小孔并平滑叶片边界。该流程系统地应用于所有954张图像，为后续特征提取提供了一致的输入。

3.3. 特征提取

研究采用两种广泛使用的卷积神经网络（CNN）架构——ResNet101和MobileNet作为深度特征提取器，并利用其在ImageNet上预训练的权重。网络被冻结，仅用作固定特征提取器，不进行微调。从ResNet101的全局平均池化层提取出2048维特征向量，从MobileNet提取出1024维特征向量，这些向量编码了与纹理、结构和病斑形态相关的高级语义信息。

3.4. 特征选择方法

为应对高维特征带来的计算挑战和过拟合风险，研究评估了三大类方法：基于过滤的方法（如卡方检验、互信息、斯皮尔曼相关性）、个体元启发式算法（GA, ARO）以及提出的混合方法（AROGA）。

3.4.1. 元启发式方法

• •
  遗传算法（GA）：模拟自然选择与遗传机制，通过选择、交叉、变异等操作演化候选解。
• •
  人工兔群优化（ARO）：模拟兔子觅食与躲避天敌行为，通过“迂回觅食策略”（探索，当能量因子A>1时）和“随机隐藏策略”（利用，当A≤1时）来平衡全局搜索与局部开发。其位置更新涉及复杂的数学公式，核心是通过能量收缩机制控制探索与利用的转换。

3.4.2. 混合人工兔群优化-遗传算法（AROGA）

AROGA是本研究提出的核心混合方法，旨在整合ARO的强探索能力和GA的强开发能力，克服各自单独使用的局限性。其工作流程包括初始化、两阶段优化循环和精英保留：

1. 1.
   初始化：随机生成二进制特征子集作为初始种群。
2. 2.
   两阶段优化循环：
   • •
     ARO阶段（探索）：对当前种群应用ARO的“迂回觅食策略”，旨在广泛探索特征空间，发现新的有希望区域。
   • •
     GA阶段（开发）：将ARO阶段得到的新种群作为输入，应用GA的选择、交叉和变异操作，对已发现的 promising region 进行精细搜索和优化。
3. 3.
   精英保留：每个阶段结束后，保留适应度最高的个体至下一代，保证算法收敛于高质量解。
4. 4.
   迭代与终止：重复两阶段循环直至达到最大迭代次数。适应度函数旨在最大化分类精度（如F₁-score）的同时最小化所选特征数量。

3.5. 分类器与评估

使用支持向量机（SVM）作为分类器，对经过不同特征选择方法筛选后的特征子集进行分类性能评估。采用10折交叉验证确保结果稳健性。主要评估指标包括准确率、精确率、召回率、F₁-score以及选定的特征数量。

4. 实验结果与讨论

4.1. 性能比较

在包含954张橄榄叶图像的数据集上进行的综合实验表明：

• •
  所提出的AROGA方法在仅从ResNet101的2048个原始特征中选择100个特征（约减95%）的情况下，达到了99.7%的F₁-score。
• •
  统计分析（配对t检验，p<0.05）证实，AROGA的性能显著优于单独的GA和ARO方法。与基线方法（如卡方检验、互信息）相比，AROGA在特征数大幅减少的情况下，取得了更具竞争力的分类精度。
• •
  AROGA还表现出更优的长期收敛行为和更低的性能方差（在重复运行中方差降低了47-56%），证明了其鲁棒性。

4.2. 与现有文献比较

与已有研究对比，本研究方法在实现相近或更高精度的同时，特征维度约减幅度（>90%）远超过大多数现有方法（通常为20-50%）。例如，相比使用鲸鱼优化算法（WOA）达到96%准确率的研究，或使用混合CNN-Transformer模型达到97%准确率的研究，本方法在极低的特征预算下实现了99.7%的F₁-score，标志着计算复杂性的显著降低。

4.3. 架构比较与极端特征约减

研究系统比较了ResNet101和MobileNet两种CNN架构在优化特征选择下的表现。结果表明，在特征预算被极端限制（如100个特征）时，基于ResNet101提取特征并结合AROGA选择的方法，其性能优于基于MobileNet的对应方案。这验证了在资源严格受限的场景下，通过深度架构提取丰富特征再结合高效选择策略的可行性。

4.4. 实际部署意义

结果具有明确的实用价值：极高的特征约减率（95%）直接转化为模型存储空间、内存占用和推理时间的巨大节约。这使得训练出的高性能病害检测模型能够部署在计算能力、电池寿命有限的农业边缘设备（如无人机、手持式检测仪、物联网节点）上，满足了智慧农业中对实时、高效、低功耗检测技术的迫切需求。

5. 结论与未来工作

本研究成功提出并验证了一种基于混合人工兔群优化与遗传算法（AROGA）的深度特征选择框架，用于橄榄叶孔雀眼病的高效检测。该框架通过协同两种元启发式算法的优势，在超高维特征空间中实现了精准搜索，在保持顶尖分类性能的前提下完成了极端的特征约减。这不仅为橄榄病害的精准智能检测提供了有效工具，其方法论也为其他农业乃至更广泛的图像识别任务中，解决模型复杂度与部署可行性之间的矛盾提供了新思路。未来工作可探索将该框架应用于更复杂的多病害识别场景，或进一步优化算法以适应在线、增量学习的需求。